SigLIP-base 是 Google 推出的中等规模多模态模型，基于 Vision Transformer 架构（SoViT）并采用 Sigmoid Loss 进行训练。相比于传统的对比损失（如 CLIP 中使用的），Sigmoid Loss 在小批量训练中更高效，并具有更强的负样本鲁棒性。SigLIP-base 在图文检索、零样本图像分类等任务中展现出良好的性能，同时保留了出色的扩展能力和推理效率，适合多语言、多任务的视觉语言应用场景。

源模型

• 输入尺寸: [1x3x384x384], [1x64]
• 参数量: 88.86M, 105.16M
• 模型大小: 359.10M, 424.01M
• 输出尺寸：[1x768], [1x768]

源模型工程请访问：SigLIP-base

当用户对源模型进行过微调，需要重新进行模型转换。

用户可以自行参考以下两种方式完成模型转换：

• 使用 AIMO 完成模型转换：在右侧性能参考板块中点击模型转换参考查看模型转换步骤

• 使用高通 QNN 完成模型转换：请参考 Qualcomm QNN 文档

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK 实现。

对于模型文件格式为 .bin 的模型，可以使用以下两种推理引擎完成模型在高通芯片上推理：

• 使用 APLUX AidLite 推理：详情请参考 APLUX AidLite 开发者文档

• 使用 Qualcomm QNN 推理：请参考 Qualcomm QNN 文档

推理示例代码

推理示例代码是基于 AidLite SDK 实现

点击模型 & 代码下载模型文件和推理代码包，文件结构如下

/model_farm_{model_name}_aidlite
    
    |__ models # folder where model files are stored

    |__ python # aidlite python model inference example

    |__ cpp # aidlite cpp model inference example

    |__ README.md